基于HVS与PCNN的彩色图像增强

提出一种新的彩色图像增强方法:将RGB空间转化为HIS空间后保持H分量不变,对S分量进行指数拉伸;而对I分量则利用脉冲耦合神经网络的特性将原始图像的灰度信息与空间信息一起耦合到神经元的内部活动项,然后利用人类视觉系统模型构建动态阈值与其比较得到增强图像.实验证实了这种方法的有效性.     

基于PCNN和视觉特性的图像对比度增强

本文针对X射线影像中同一组织图像灰度相近,不同组织灰度因组织密度不同而有所不同的特点,利用PCNN的同步点火特性,将图像分割为不同区域,考虑到人眼视觉特性,提出一种针对X射线影响的图像增强算法。实验证明该算法具有良好的效果。     

一种新的彩色图像增强方法

根据人眼视觉感知色彩的特性,提出了在HIS色彩空间上的一种基于脉冲耦合神经网络的彩色图像增强算法。该算法能够在平滑图像、突出图像边缘的同时,通过对亮度强度分量的非线性对数拉伸和对饱和度分量的非线性指数调整,改善了图像的视觉效果和图像色彩的真实效果。     

PCNN在指纹图像分割中的应用

提出了采用新型的有生物学依据的人工神经网络-脉冲耦合神经网络（PCNN桺ulse Coupled Neural Network）来实现指纹图像分割的方法,选取低灰度值背景、高灰度值背景指纹图像以及带阴影的指纹图像进行分割实验,有效的实现了指纹图像有效区和背景区的分离,并与传统的标准差阈值跟踪法进行了比较,试验表明这种方法具有更好的效果。     

基于PCNN的彩色图像分割新方法

20世纪90年代发展起来的新一代神经网络——脉冲耦合神经网络(PCNN)模型特别适合于图像处理的各个方面,但是它一直只应用于灰度图像的处理上。有鉴于此,论文对PCNN在彩色图像分割上的应用进行了研究,将彩色图像空间变换成三个相互独立的分量,分别应用PCNN在灰度图像上已有的成熟的方法,得到了彩色图像的边缘信息,从而达到了彩色图像分割的效果。     

基于并行点火PCNN模型的图像分割新方法

提出一种并行点火脉冲耦合神经网络(Parallelized firing pulse coupled neural networks, PFPCNN)模型的图像分割方法. 首先用改进的Unit-linking PCNN (ULPCNN)模型对图像进行增强, 便于后续的图像分割. 然后采用PFPCNN新模型对增强后的图像进行分割, 最后用最大香农熵方法判定最佳分割结果. 各种复杂场景下的仿真实验及定量评价表明, 本文提出的图像分割方法, 其效果明显优于常规的PCNN分割方法.     

基于NSCT和PCNN的彩色图像增强方法

根据人类对颜色的感知特性,本文在彩色图像的HSV空间,提出一种基于非下采样Contourlet变换（Non-subsampled Contourlet Transform, NSCT）和脉冲耦合神经网络(Pulse Coupled Neural Networks, PCNN)模型相结合的彩色图像增强算法。首先对HSV空间亮度分量V做NSCT分解,得到低频子带系数和高频方向子带系数,对低频子带系数做PCNN增强,并对处理后的系数做修正,再对高频子带系数做线性变换处理,将处理后的V分量做逆NSCT以重构;然后对饱和度分量S做幂次微调。最后,将HSV颜色空间变换到RGB空间得到增强后的图像。实验结果表明,本增强方法在视觉效果和客观评价指标上都优于比较算法,不仅增加了彩色图像的亮度,而且颜色保持较好,边缘更清晰。     

Unit-Linking PCNN中的彩色图像边缘检测

PCNN模型具有相似群神经元同步发放脉冲的特性,适合于图像分割。对彩色图像的亮度分量进行对数变换,使其更符合人眼的视觉特性;在PCNN进行彩色图像R、G、B三分量分割的过程中,利用遗传算法进行神经元关键参数的选择,利用偏态指标进行迭代控制;在Unit-Linking PCNN模型中实现R、G、B三分量分割图的边缘检测,利用加权合并策略得到最终的边缘检测结果。仿真结果表明,该方法得到的结果体现了图像中更多的轮廓细节,具有很好的自适应性。     

基于矢量的PCNN模型及其应用

传统PCNN应用于图像分割时,同属于一个区域的内部像素和边缘像素,由于其相邻的被激活像素的个教不同造成连接输入明显不同,这往往造成了误分割.本文对传统PcNN模型加以改进,将输出结果由脉冲序列改成曲线,克服了上述缺点.本文将矢量的概念引入PCNN,使PCNN处理的教据由标量扩充到矢量.传统PCNN一直主要应用于灰度图象处理,本文提出了一种新的应用于彩色图分割的PCNN模型,为PCNN应用于彩色图像处理提供了一定的理论和实践基础.     

基于PCNN的彩色图像混合噪声滤除

针对基于阈值线性衰减输出带权均值型脉冲耦合神经网络(L&;A-PCNN)的彩色图像混合噪声滤除在进行图像滤波时易产生噪点误判,从而导致污迹斑的问题,结合混合噪声性质,以及PCNN模型的点火特征,对L&;A-PCNN算法做出进一步改进,建立新的噪点判断方法,提出基于L&;A-PCNN的彩色图像混合噪声滤除改进型算法,仿真实验证明了其有效性。     

基于PCNN图像因子分解的X线医学图像增强

提出一种基于人眼视觉特性和改进的PCNN图像因子分解的X线医学图像增强算法。利用一种改进的PCNN图像因子分解算法对图像进行因子分解,得到细节程度由粗糙到精细的 一系列图像因子。分别对各层图像因子平滑滤波获得图像因子增益矩阵,根据图像因子的局部对比度是否达到由人眼视觉特性得到的对比度阈值进行自适应调节增益矩阵,对每层 图像因子增强后重构即可得到增强图像。经过对不同X线医学图像进行实验仿真,并对比一些常用图像增强算法,取得了较好的增强效果。     

一种基于矢量PCNN的彩色图像自动分割算法

为了对彩色图像实施自动分割,在彩色图像RGB空间中,对传统PCNN模型进行了改进与推广,提出一种基于指数熵矢量脉冲耦合神经网络(VPCNN)彩色图像自动分割新算法。该方法在考虑VPCNN互联矢量神经元动态时空相似特性的同时,利用改进指数动态阈值矢量与神经元内部活动项矢量间的信息对比关系确定分割图像的目标和背景区域,结合最大指数熵判据来达到彩色图像的自动分割,并与最大香农熵准则VPCNN分割方法做了比较。实验结果表明:算法具有图像分割精度高、适应性强、能较好地保持彩色图像边缘和细节等信息的优点。     

图像分割中PCNN的应用研究

第三代人工神经网络——脉冲耦合神经网络(PCNN)在图像分割领域受到极大的关注,描述了PCNN模型原理,总结了PCNN应用于图像分割时存在的问题,分析了目前对这些问题的解决方法及其实现原理。在此基础上,指出各类方法的优缺点,展望了PCNN应用于图像分割的研究方向,模型中参数设置对分割结果影响的理论依据需要更深入的研究。     

融合小波变换与改进PCNN的图像增强算法研究

为了解决方向对纹理图像细节增强的限制问题,提出一种融合小波变换与改进脉冲耦合神经网络（PCNN）的图像增强算法。该算法首先对图像进行二维离散小波变换,提取图像的高频分量图。然后将图像像素的局部梯度值作为链接强度系数,在动态阈值函数中加入侧抑制信号来改进脉冲耦合神经网络;并用改进的脉冲耦合神经网络对高频分量图进行增强。最后使用中值滤波对小波重构后的图像进行非线性平滑,实现纹理图像细节的增强。实验结果表明,该算法能够有效地减少图像细节增强时方向的限制。增强后,纹理图像的细节更加丰富,整体对比度也有一定的提高。     

Unit-Linking PCNN和图像熵的彩色图像分割与边缘检测

在RGB空间中,将最大香农熵准则和最小交叉熵准则两种评价准则与大概率合并和小概率合并两种合并策略相结合,提出基于Unit-Linking PCNN的四种彩色图像分割方案,并在各分量分割结果基础上利用Unit-Linking PCNN实施边缘检测,合并得到彩色图像的边缘检测结果。分析了各评价准则和合并策略的优劣,比较了各分割方案条件下的图像分割和边缘检测效果。与HSV空间中得到的相关结果进行分析比较,该文分割和边缘检测结果体现了图像的更多的细节,说明了在RGB空间中进行彩色图像分割和边缘检测的合理性。与相关文献结果相比,该方法的模型参数对图像分割结果的影响较不敏感。计算机仿真结果表明,该方法具有较好的彩色图像分割和边缘检测效果,具有较强适用性。     

基于PCNN模型的图像分割研究

脉冲耦合神经网络（PCNN）是根据猫的大脑视觉皮层同步脉冲发放现象提出的一种人工神经网络,有着生物学依据。本文采用Sobel算子提出梯度特征,通过自适应窗口技术对图像中含不同纹理特征信息的图像进行预处理。然后调整PCNN的链接域,结合PCNN脉冲传播性与区域增长,对预处理后的图像进行多值分割。我们称这种修改后的PCNN称为MRG-PCNN,实验结果充分展示了这种方法的有效性。     

基于改进PCNN的彩色图像混合噪声滤除

基于L&A-PCNN模型的彩色图像混合噪声滤除算法存在算法调试须人工干预、对彩色图像滤波易出现污迹斑等问题。针对上述不足,提出一种彩色图像混合噪声自适应滤除算法。通过理论和实验分析获得L&A-PCNN模型关键参数的自适应定义和滤波算法中图像噪点的判别方法。实验结果表明,相比L&A-PCNN算法,该算法的PSNR有9%~18%的提高,处理后图像的视觉效果更好,并具有较好的自适应性和健壮性。     

基于PCNN与LR的低对比度图像增强方法

图像增强是指对图像进行加工,以获得更“好”的视觉效果的一种图像处理技术。由于图像的最终接收者是人,所以评价图像“好坏”的关键在于其是否符合人类视觉系统的特性。针对低对比度图像,结合人眼视觉神经系统的感知特性,提出了一种基于PCNN与LR模型的图像增强方法。分析和仿真结果表明,该法能够较好地突出图像的边缘细节信息,明显地改善图像的视觉效果。     

一种PCNN的彩色图像脉冲噪声滤波方法

通过脉冲噪声特性总结以及对脉冲耦合神经网络（PCNN）工作机理的分析,建立了一个在RGB色彩空间上的一种基于脉冲耦合神经网络的彩色图像去噪算法及模型。首先利用PCNN的同步脉冲发放特性定位脉冲噪声点的位置;然后利用中值滤波对其进行去噪处理,并将结果与中值滤波等其他滤波方法进行了比较。实验结果表明该方法不但能够有效去除图像中的噪声,而且能够更好地保护图像细节,较传统彩色图像去噪方法有较明显的优越性。     

基于Tetrolet变换与PCNN的图像增强

针对传统图像增强方法易损失边缘对比度以及抗噪性不强的缺点提出了一种基于Tetrolet变换与PCNN结合的图像增强方法。对待增强图像分别进行Tetrolet变换,得到不同尺度的高通和低通子带系数,并将分解后的高通子带系数进行软阈值处理;把经处理后的各尺度高通子带轮廓图像序列作为PCNN神经网络增强算子的外部输入,进而得到增强后的高通子带系数;通过Tetrolet反变换获得增强后的结果图像。数值实验结果表明,该增强算法不但能够有效抑制噪声,而且能够很好地增强图像边缘轮廓的清晰度。